[论文解读] Avoiding Degeneracy for Monocular Visual SLAM with Point and Line Features

Hyunjun Lim, Yeeun Kim+3 more|arXiv (Cornell University)|Mar 2, 2021

Robotics and Sensor-Based Localization参考文献 42被引用 38

一句话总结

本文提出了一种单目视觉SLAM系统，通过结合点特征与线特征以提升鲁棒性和精度，尤其在低纹理或光照变化较大的环境中表现更优。该方法引入了一种退化检测方法和一种新颖的结构约束，用于纠正由对极几何导致的错误3D线重建，显著提升了线特征的跟踪与建图精度，其有效性在EuRoC数据集上得到验证，相比基线方法实现了15%的平移RMSE降低。

ABSTRACT

In this paper, a degeneracy avoidance method for a point and line based visual SLAM algorithm is proposed. Visual SLAM predominantly uses point features. However, point features lack robustness in low texture and illuminance variant environments. Therefore, line features are used to compensate the weaknesses of point features. In addition, point features are poor in representing discernable features for the naked eye, meaning mapped point features cannot be recognized. To overcome the limitations above, line features were actively employed in previous studies. However, since degeneracy arises in the process of using line features, this paper attempts to solve this problem. First, a simple method to identify degenerate lines is presented. In addition, a novel structural constraint is proposed to avoid the degeneracy problem. At last, a point and line based monocular SLAM system using a robust optical-flow based lien tracking method is implemented. The results are verified using experiments with the EuRoC dataset and compared with other state-of-the-art algorithms. It is proven that our method yields more accurate localization as well as mapping results.

研究动机与目标

• 解决点特征在低纹理或高光照变化环境中鲁棒性差的问题。
• 通过引入线特征提升结构可辨识度，克服基于稀疏点的建图方法的局限性。
• 解决基于线特征的SLAM中的退化问题，即当线靠近对极点时导致的3D重建模糊性。
• 通过新颖的结构约束与基于光流的匹配方法，提升线特征跟踪与3D重建精度。
• 实现在真实单目SLAM场景中更精确且更具视觉可解释性的建图。

提出的方法

• 通过分析对极几何与线特征到对极点的距离，提出一种在纯平移运动中检测线特征退化的简单方法。
• 提出一种新颖的结构约束，通过强制3D线重建中的几何一致性（如平行性）来解决三角化过程中的模糊性。
• 采用基于光流的线特征跟踪方法，融合运动模型预测与检测到的线特征，提升匹配鲁棒性。
• 使用Plücker坐标与正交化表示法对3D线特征进行参数化，并应用于捆绑调整。
• 在滑动窗口优化框架中引入线特征一致性与重投影误差约束。
• 在统一的单目SLAM流水线中集成点与线特征，并采用自适应特征管理策略。

实验结果

研究问题

• RQ1 在单目SLAM系统中，如何检测由对极对齐导致的退化线特征？
• RQ2 可应用何种几何约束以纠正由退化引起的模糊3D线重建？
• RQ3 基于光流的线特征跟踪能否提升特征持续性并减少在低纹理环境中的跟踪失败？
• RQ4 在基于线特征的单目SLAM中，引入结构约束在多大程度上提升了定位与建图精度？
• RQ5 与PL-VINS和VINS-Mono等先进算法相比，所提方法在鲁棒性与精度方面表现如何？

主要发现

• 在EuRoC数据集上，所提方法相比基线VINS-Mono算法，平移RMSE降低了15%。
• 与LSD+LBD方法相比，线特征跟踪性能提升了约49%，但计算时间增加了20%。
• 在11个EuRoC序列中的7个序列中，所提方法的误差比PL-VINS小25%，表明其在处理退化问题方面具有更优性能。
• 结构约束成功将退化线校正为合理的几何构型（如平行线），显著提升了地图质量与视觉可解释性。
• 系统保持了约20Hz的状态估计速率，尽管线特征处理带来了额外计算开销，但仍可接受。
• 该方法有效缓解了基于线特征SLAM中的退化问题，实现了在复杂环境下的更精确、更鲁棒的3D重建。